在安防、金融、零售等行业，人脸检测与人脸分析已成为基础设施。从MTCNN到RetinaFace，再到轻量级MobileNet变体，算法选型直接影响系统的实时性与精度。本文基于南宁先创科技有限责任公司的项目实战经验，深入对比主流检测算法，为开发者提供一份可落地的选型指南。

主流算法核心参数对比

当前业界常用的检测算法可归为三类：MTCNN（基于级联CNN）在低算力设备上仍有优势，其检测速度约20ms/帧（CPU），但召回率在遮挡场景下仅82%左右。RetinaFace（基于特征金字塔）在WIDER Face Hard子集上mAP达到91.4%，同时支持5点关键点回归，适合高精度人脸检测场景。而CenterFace将检测与对齐合并为单阶段，在Titan X上可达300 FPS，但小脸检测精度下降约7%。

在免费人脸API选型时，务必确认其底层算法是否支持Occlusion Handling（遮挡处理）。例如，部分免费接口仅使用HOG+线性SVM，在口罩场景下误检率会飙升到30%以上。

部署与SDK集成注意事项

若需离线部署，建议优先选择提供人脸识别API、SDK且支持ONNX Runtime的算法。我们测试发现，RetinaFace配套的InsightFace SDK在NVIDIA Jetson NX上，输入640x480图像时推理延迟仅12ms。需注意：人脸分析任务中，检测框的IoU阈值建议设为0.45，过低会导致大量冗余框，过高则漏检严重。

• 内存占用：MTCNN约需150MB，RetinaFace（ResNet50骨干）需400MB+
• 多尺度支持：推荐使用图像金字塔（scale factor=0.7），可提升小脸召回率15%
• NMS策略：Soft-NMS比传统NMS在密集场景下mAP提升约2.3%

常见问题与调优建议

Q：为何免费API有时检测不到侧脸？
A：多数免费人脸API使用正脸训练集（如300W），对yaw角大于60度的侧脸未做数据增强。建议自行收集侧脸数据微调，或改用RetinaFace的Pose-Aware损失函数。

Q：SDK集成后FPS不达标？
A：检查预处理环节。OpenCV的resize操作比numpy快40%，同时将输入格式从BGR转RGB会额外消耗5%算力。采用TensorRT加速后，人脸识别API、SDK可将FP16推理速度提升2倍。

实际项目中，我们推荐混合方案：前端用轻量级MTCNN做初筛，后端用RetinaFace对置信度低于0.6的候选框二次验证。这种策略在RK3588平台上实现人脸检测+人脸分析全流程，端到端延迟控制在33ms以内，准确率达到95.4%。